LLM单次推理知识追踪方法Jev提出
热点事件持续更新
LLM单次推理知识追踪方法Jev提出
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Unggi Lee等作者发表论文，提出并评估了基于现成System-One LLM的知识追踪方法Jev：该方法在单次推理中直接给出作答概率，目标是在少量或零学习者日志条件下完成知识追踪。 作者称，在无目标平台数据时，Jev在七个数据集上平均AUC为.706，高于用8名学习者训练的28个深度知识追踪模型的最佳值.689，也高于System-Two方法Thinking-KT的.650，且API成本约为后者的1/100。上述效果为论文报告的结果。
AI 根据报道生成 · 1 小时前更新
最新进展10月9日 12:00
单次推理 LLM 能否在少量或零学习者日志下完成知识追踪？报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.LG单次推理 LLM 能否在少量或零学习者日志下完成知识追踪？
研究测试了现成的 System-One LLM 在少量或零学习者日志下进行知识追踪的能力，Jev 在无目标平台数据时于七个数据集上达到平均 AUC .706，超过 28 个用 8 名学习者训练的深度 KT 模型最佳值 .689，也超过 System-Two Thinking-KT 的 .650，API 成本约为其 1/100。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。